في عالم الذكاء الاصطناعي والطب، قدم الباحثون طريقة مبتكرة بعنوان **أنتوبوك (OntoBook)**، تهدف إلى تحويل الهياكل المعرفية الطبية إلى إشارات تدريب لنماذج اللغة. تتألف هذه الطريقة من ثلاث مراحل رئيسية:

1. **الخطوات العشوائية عبر الرسوم البيانية**: تبدأ العملية بخطوات عشوائية تستكشف العلاقات الهرمية والسببية بين الرموز الطبية. هذه الخطوة تعتبر أساسية لفهم كيفية تفاعل العناصر المختلفة في المجال الطبي.

2. **إعادة صياغة النصوص**: بعد ذلك، يتم استخدام نموذج لغة كبير لإعادة صياغة بيانات الخطوات العشوائية إلى نصوص سلسة بأسلوب كتب دراسية، مما يجعل المحتوى قابلاً للفهم وسهل الاستخدام.

3. **التدريب على نموذج ModernCamemBERT**: يستخدم هذا النص الناتج لتدريب نموذج **ModernCamemBERT**، الذي يحتوي على 149 مليون معلمة، مع هدفين هما: نمذجة اللغة المقنعة (masked language modeling) والتنبؤ بالعلاقة بين أزواج الرموز.

وقد أظهرت التجارب على ثلاثة معايير لتشفير المعلومات الطبية الفرنسية (FRACCO، Cantemist-FR، Distemist-FR) أن **OntoBook** حقق تحسينات ملحوظة تجاوزت ما كان متاحًا من خلال التدريب التقليدي على نمذجة اللغة المقنعة فقط، حيث سجلت النتائج زيادة بمعدل +2.5 في الميكرو-F1 على FRACCO و +8.0 على Distemist.

من المهم أيضًا ملاحظة أن التوافق بين الأهداف التدريبية هو عنصر أساسي لنجاح هذه الطريقة؛ إذ يؤدي الاستخدام المختلف للبيانات إلى انخفاض بمقدار 30 نقطة في الأداء. وفي خطوة مثيرة، تم إطلاق **1.3 مليون كتاب دراسي طبي معاد صياغته** عبر ثلاث هياكل معرفية طبية هي CIM-10 وCCAM وATC، بالإضافة إلى نقاط التوقف المدربة للنموذج.

إن OntoBook يعد بمثابة خطوة هائلة نحو تحسين الذكاء الاصطناعي في المجال الطبي، ويضع الأساس لتحقيق دقة أكبر في تحليل وتصنيف البيانات الطبية. هل تعتقد أن هذه التقنية ستحدث فرقًا في مجال الرعاية الصحية؟ شاركونا آرائكم في التعليقات!